如何用Python高效识别PDF删除线文本并提取无删除线内容？

为什么pdf2docx能识别删除线而PyMuPDF官方称无法直接支持？ #

PyMuPDF官方所说的“无法识别删除线文本”，指的是多数PDF并未将删除线作为文本的原生属性存储——大部分场景下，删除线是通过在文本上方绘制一条水平线条实现的，而非给文本标记删除线样式。pdf2docx之所以能识别，是因为它额外做了逻辑处理：提取PDF中的文本块与页面线条，通过计算两者的位置关系，判断文本是否被线条覆盖，进而标记为删除线格式。

更高效的直接解析方案（无需转docx） #

跳过docx转换步骤，直接用PyMuPDF解析文本与线条，能大幅提升处理效率。核心逻辑：

• 提取页面所有文本块及坐标
• 提取页面中近似水平的线条（删除线通常为水平）
• 通过位置匹配判断文本块是否被线条覆盖
• 按需提取带删除线的文本，或反向提取无删除线的目标内容

代码示例 #

import os
import glob
import fitz  # PyMuPDF

def has_strikeout(text_block, lines):
    """判断文本块是否被删除线覆盖"""
    text_rect = fitz.Rect(text_block[:4])  # 文本块的矩形区域
    text_mid_y = (text_rect.y0 + text_rect.y1) / 2  # 文本块垂直中心位置
    # 遍历线条，检查是否有水平线条覆盖文本块中心区域
    for line in lines:
        line_rect = fitz.Rect(line[:4])
        # 匹配条件：水平方向覆盖文本块，垂直方向贴近文本中心
        if (line_rect.x0 < text_rect.x1 and line_rect.x1 > text_rect.x0 and
            abs(line_rect.y0 - text_mid_y) < 3 and abs(line_rect.y1 - text_mid_y) < 3):
            return True
    return False

def extract_target_text(pdf_path, get_strikeout=False):
    """提取PDF中目标文本：get_strikeout=True时提取带删除线的文本，否则提取无删除线的文本"""
    target_text = []
    doc = fitz.open(pdf_path)
    for page in doc:
        # 提取带坐标的文本块
        text_blocks = page.get_text("blocks")
        # 提取页面中近似水平的线条
        lines = []
        for path in page.get_drawings():
            for item in path["items"]:
                if item[0] == 'l':  # 'l'代表直线
                    x0, y0 = item[1]
                    x1, y1 = item[2]
                    if abs(y0 - y1) < 2:  # 筛选水平线条
                        lines.append((x0, y0, x1, y1))
        # 筛选目标文本
        for block in text_blocks:
            text = block[4].strip()
            if text and has_strikeout(block, lines) == get_strikeout:
                target_text.append(text)
    doc.close()
    return target_text

# 批量处理PDF文件
if __name__ == "__main__":
    pdf_files = glob.glob(os.getcwd() + r'\PDFs\*.pdf')
    all_target_text = []
    for pdf in pdf_files:
        print(f"处理文件: {pdf}")
        # 提取无删除线的目标文本，若要提取删除线文本则将get_strikeout设为True
        text = extract_target_text(pdf, get_strikeout=False)
        all_target_text.extend(text)
    print("所有无删除线的目标文本:")
    print("\n".join(all_target_text))

方案优势 #

• 效率显著提升：直接解析PDF，避免docx转换的额外开销，处理10页PDF仅需数秒
• 无中间文件：无需生成、删除临时docx文件，流程更简洁
• 可定制性强：可根据实际PDF的删除线样式调整匹配阈值（如线条粗细、与文本的距离）

补充说明 #

少数规范生成的PDF会将删除线作为文本属性存储，这种情况可尝试用page.get_text("dict")查看文本的flags属性是否包含删除线标记，但此类场景占比极低，多数情况仍需通过线条匹配判断。

内容的提问来源于stack exchange，提问作者wanderingcatto